在机器学习中使用GridSearchCV进行参数调整
拥有不适当参数集的模型没有任何好处，选择正确的参数和设计模型一样重要。美妙之处在于，没有人知道正确的参数，通常我们凭直觉选择参数，如果它没有产生我们认为的效果，我们就使用它们然后选择另一个集合的值，然后重复这个过程。这很困难，也很耗时，GridSearchCV可以用几行代码系统地找到参数。
GridSearchCV采用了通过多个参数组合的方法来实现的方法，通过交叉验证来确定哪个调的性能最好。
下面是sklearn文档中的一个例子:
parameters = {‘kernel’:(‘linear’, ‘rbf’), ‘C’:[1, 10]}
svr = svm.SVC()
clf = grid_search.GridSearchCV(svr, parameters)
clf.fit(iris.data, iris.target)
让我们一行一行地分解它。
parameters = {'kernel':('linear'，'rbf'），'C'：[1，10]}
一个关于参数的字典，以及它们可能采用的值。在这种情况下，他们在使用内核(可能的选择是“linear”和“rbf”)，C(可能的选择是1和10)。
然后所有以下的“grid”的组合值(kernel,C)自动生成:
(' rbf ',1)(rbf,10)
(“linear”，1)(“linear”，10)
每个都用于训练SVM，然后使用交叉验证评估性能。
svr = svm.SVC()
这看起来像是创建了分类器，就像我们所做的一样。但是请注意，“clf”直到下一行才生成——这只是说明要使用哪种算法。另一种思考方式是“分类器”不仅仅是这个例子中的算法，它是算法加上参数值。注意，内核和C没有任何问题;所有这些都是在下一行中处理的。
clf = grid_search.GridSearchCV(svr, parameters)
是发生第一个神奇的地方;正在创建分类器。我们通过
clf.fit(iris.data, iris.target)
第二点神奇。函数现在尝试所有的参数组合，并返回一个被自动调优到最优参数组合的拟合分类器。现在可以通过clf.best_params_访问参数值 。